再生制動能量回收研究綜述

馬什鵬 張劉鋒 馬永娟 黃學(xué)江 張鑫新

（重慶交通大學(xué)機電與車輛工程學(xué)院，重慶400074）

主題詞：制動意圖 制動力分配 動態(tài)協(xié)調(diào)

縮略語

EEG Electroencephalographic

X-B-Wire Drive-By-Wire

SOC State Of Charge

GA Genetic Algorithm

EHB Electronic Hydraulic Brake

1 前言

目前，世界各大汽車企業(yè)都致力于開發(fā)電動汽車來實現(xiàn)節(jié)能減排，在當(dāng)前電動汽車電池儲能技術(shù)沒有重大突破的情況下，通過再生制動系統(tǒng)回收電動汽車的制動能量可以提高電動汽車的能量利用率，實現(xiàn)汽車的節(jié)能減排[1]。

駕駛員制動意圖識別、制動力分配和制動動態(tài)協(xié)調(diào)控制直接影響了電動汽車再生制動過程的操控性、安全舒適性和經(jīng)濟性。在已經(jīng)確定制動需求功率的情況下，再生制動研究的核心是在制動安全的前提下如何合理分配機械摩擦制動力和電機制動力，即制動力分配控制策略，但在不確定制動力需求功率的情況下，往往需要對駕駛員的每一時刻的制動意圖進(jìn)行準(zhǔn)確識別，通過制動意圖識別來判斷整車的制動需求，即制動意圖的識別。

針對制動過程中出現(xiàn)的問題，當(dāng)制動模式發(fā)生切換時，因為多個制動系統(tǒng)的動態(tài)響應(yīng)速度不同，會造成短時間內(nèi)制動需求轉(zhuǎn)矩不足，從而會發(fā)生制動波動，產(chǎn)生不同的制動感覺，可通過制定適當(dāng)?shù)闹苿觿討B(tài)協(xié)調(diào)控制策略達(dá)到消除制動波動的目的，即制動動態(tài)協(xié)調(diào)控制策略。

本文主要針對在未知制動需求功率的制動意圖識別、在已知制動需求功率的制動力分配策略和盡可能的消除制動波動的制動動態(tài)協(xié)調(diào)控制策略方面進(jìn)行分析和總結(jié)。

2 駕駛員制動意圖識別

制動意圖識別是指在未知制動需求功率時，根據(jù)制動時車輛狀態(tài)對駕駛員的制動意圖進(jìn)行識別。制動意圖識別直接決定能否合理地判斷當(dāng)前整車的制動強度，進(jìn)而影響電機和機械制動的制動力的分配，最終影響整車的再生制動能量回收的效果及整車的制動性。根據(jù)識別研究對象的不同，制動意圖識別可分為基于駕駛員神經(jīng)生理學(xué)特征的制動意圖識別和基于制動踏板識別的制動意圖識別。

2.1 基于駕駛員神經(jīng)生理的制動意圖識別

基于駕駛員神經(jīng)生理的制動意圖識別是指根據(jù)駕駛員的行為反應(yīng)前的腦信號來識別制動意圖，需要收集大量駕駛員在各種工況下的腦信號，并且對其進(jìn)行分類分析。文獻(xiàn)[2]開發(fā)了模擬駕駛環(huán)境來研究在不同駕駛情況下緊急制動的神經(jīng)關(guān)聯(lián)，并測量了模擬駕駛過程中的腦電圖(EEG)和肌電信號，提出了1種基于神經(jīng)生理和肌肉信號的制動意圖識別方法，該方法能夠在緊急制動的情況下，基于駕駛員行為反應(yīng)的腦信號檢測到駕駛員的制動意圖。文獻(xiàn)[3]研究了駕駛員的腦電圖(EEG)信號對制動踏板動作的影響，通過駕駛模擬器，收集駕駛員在緊急制動時的腦電圖，并利用支持向量機和神經(jīng)網(wǎng)絡(luò)算法對腦電圖進(jìn)行分類，從而達(dá)到緊急制動意圖識別的效果。

基于駕駛員神經(jīng)生理的制動意圖識別，能夠較準(zhǔn)確的識別駕駛員的緊急制動意圖，但對于正常制動時的識別研究較淺，并且對腦信號提取較復(fù)雜，需要在駕駛員的頭部安裝一些傳感器，成本高、使用價值較低。

2.2 基于制動踏板研究的制動意圖識別

針對制動踏板研究的制動意圖識別方法是指以制動踏板的狀態(tài)為研究對象，通過提取、分析在各種制動工況下的踏板行程或者踏板變化率來達(dá)到制動意圖識別的效果。針對制動踏板研究的制動意圖識別方法可分為神經(jīng)網(wǎng)絡(luò)識別、模糊識別、隱馬爾科夫模型識別。

2.2.1 神經(jīng)網(wǎng)絡(luò)識別

神經(jīng)網(wǎng)絡(luò)通過輸入制動意圖的特征參數(shù)，使用大量的樣本，通過特定的算法訓(xùn)練達(dá)到一定的精度后，便可以準(zhǔn)確地輸出制動意圖。但此方法工作量大、數(shù)據(jù)不具備普適性原則、收斂速度慢的問題制約神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于制動意圖識別。文獻(xiàn)[4]利用多傳感器數(shù)據(jù)融合，使用神經(jīng)網(wǎng)絡(luò)對制動意圖進(jìn)行識別，能夠精確的識別常規(guī)減速、緊急制動的工況。

2.2.2 模糊識別

模糊識別可以對未知模型或不能確定的模型運用模糊規(guī)則進(jìn)行推理，運用人的先驗經(jīng)驗對不易建模的系統(tǒng)運用數(shù)學(xué)語言進(jìn)行有效控制[5]。模糊識別方法具有穩(wěn)定性好、抗干擾能力強的優(yōu)點，但其存在較多的人為主觀因素，進(jìn)而導(dǎo)致對于一些精度要求較高的車輛模型，往往達(dá)不到實際控制要求。文獻(xiàn)[6]用模糊識別方法對駕駛員的制動意圖進(jìn)行識別，相較于神經(jīng)網(wǎng)絡(luò)識別方法，減少了對所需數(shù)據(jù)樣本集的大小和準(zhǔn)確性的依賴，但需要準(zhǔn)確的模糊控制規(guī)則。

2.2.3 隱馬爾科夫模型識別

隱馬爾科夫模型是一種特殊的動態(tài)貝葉斯網(wǎng)絡(luò)模型，具有較強地處理時間序列數(shù)據(jù)的能力，可以描述各狀態(tài)間相互轉(zhuǎn)移的馬爾科夫隨機過程，同時還可以描述各觀測變量和狀態(tài)之間統(tǒng)計關(guān)系的隨機過程[7]。

隱馬爾科夫模型識別具有控制效果會因樣本量的增多而變好的優(yōu)點，但收集大量的樣本需要很大的工作量[8]。此外，隱馬爾科夫模型使用累積輸出概率最大的狀態(tài)序列來識別制動意圖時，還是會忽略較小概率事件的發(fā)生，從而導(dǎo)致識別精度不夠準(zhǔn)確。文獻(xiàn)[9]基于隱形馬爾科夫理論建立了制動駕駛意圖辨識模型，并進(jìn)行了再生制動力和液壓制動力施加與司機制動意圖一致性試驗。

為了更進(jìn)一步提高制動識別效果，文獻(xiàn)[10]建立隱馬爾科夫模型對制動意圖進(jìn)行識別，并且結(jié)合自適應(yīng)神經(jīng)網(wǎng)絡(luò)推理的人工智能算法彌補了其對于分類能力不足的缺點，從而更加準(zhǔn)確地對駕駛員的制動意圖進(jìn)行識別。

3 制動力分配策略

制動能量回收階段主要包括加速踏板釋放階段的能量回收、制動踏板下壓階段的制動能量回收以及加速踏板和制動踏板都被釋放階段的能量回收，3個階段的制動力分配策略是每個制動回收階段的關(guān)鍵。大部分的研究只考慮到了制動踏板下壓階段的制動能量回收，相比較考慮加速踏板釋放階段的能量回收，制動回收能量較低。根據(jù)是否考慮加速踏板的狀態(tài)，制動力分配策略的研究分為考慮加速踏板狀態(tài)的制動力分配策略和未考慮加速踏板狀態(tài)的制動力分配策略。

3.1 考慮加速踏板狀態(tài)的制動力分配策略

考慮到加速踏板釋放階段的能量回收，需要對駕駛員針對加速踏板的操作意圖進(jìn)行識別，即是驅(qū)動意圖還是制動意圖，文獻(xiàn)[11]把駕駛員制動過程分為釋放油門踏板階段和踩下制動踏板階段。其中對加速踏板釋放制動階段，提出一種基于自適應(yīng)模糊控制算法的單踏板再生制動控制策略，減少了制動踏板的使用頻率，有效地回收了能量；對于踩下制動踏板階段，提出基于神經(jīng)網(wǎng)絡(luò)控制的控制策略，在回收能量的同時保證了制動穩(wěn)定性。文獻(xiàn)[12]提出加速踏板釋放階段的模糊控制策略，并針對制動踏板下壓階段提出基于聯(lián)合國歐洲經(jīng)濟委員會汽車（Economic Commission of Europe，ECE）法規(guī)的制動力分配策略，最后與只考慮制動踏板下壓階段的制動力分配策略進(jìn)行仿真比較，考慮加速踏板階段制動能量回收的制動回收控制策略具有更高的回收效率。

3.2 未考慮加速踏板狀態(tài)的制動力分配策略

未考慮加速踏板釋放的能量回收，以摩擦制動力和電機制動力的分配方式為標(biāo)準(zhǔn)，分為理想制動力分配策略、固定比例制動力分配策略、最優(yōu)能量回收控制策略、基于ECE法規(guī)、I線和f線的制動力分配策略、基于模型預(yù)測控制的制動力分配策略和基于智能算法的制動力分配策略，其思維導(dǎo)圖如圖1所示。

圖1 未考慮加速踏板的制動力分配策略

3.2.1 理想制動力分配策略

理想制動分配策略是電動汽車前后軸制動力按照I曲線分配，在確保制動效能的前提下盡可能大的進(jìn)行制動能量回收，具有最優(yōu)制動效能的優(yōu)點，但對控制要求較高，較難實現(xiàn)。文獻(xiàn)[13]提出了理想制動力分配策略。根據(jù)電機特性、車速、駕駛員意圖減速度和地面附著情況來確定前后輪的總制動力矩、再生制動力矩和液壓制動力矩。但需要一套能夠準(zhǔn)確控制液壓制動力和再生制動力的線性控制系統(tǒng)，對控制系統(tǒng)的要求較高。文獻(xiàn)[14]提出了按照I曲線分配的理想制動力分配策略，合理的對制動力進(jìn)行了分配。但是沒有考慮到電池狀態(tài)、車輛狀態(tài)以及傳動效率的問題，能量回收的效率較低，并且對于控制系統(tǒng)的要求較高。

文獻(xiàn)[15]在X-B-Wire控制系統(tǒng)不斷成熟的基礎(chǔ)上，提出了1種理想制動力分配下的再生制動控制策略，并通過ADVISOR仿真模擬，結(jié)果表明提出的理想制動力分配曲線可以很高的回收制動能量。

3.2.2 前后軸固定比例分配策略

前后軸固定比例分配策略是在原有的傳統(tǒng)汽車制動系統(tǒng)的基礎(chǔ)上，附加再生制動力，前后軸液壓制動力按固定比例進(jìn)行分配，相比理想制動力分配策略，一定程度上降低了控制要求，更好地發(fā)揮了電機的制動能力，使電機盡可能地進(jìn)行再生制動，制動能量回收效率較高，成本較低，但制動性能較差。文獻(xiàn)[16]對采用前后軸固定比例分配策略的電動汽車進(jìn)行仿真分析，相比理想制動力分配策略，固定比例的制動分配策略具有更高的制動能量回收效率，且成本較低。

3.2.3 最優(yōu)能量回收控制策略

最優(yōu)能量回收控制策略是指在保證制動安全的前提下，以最大能量回收為目標(biāo)，來控制制動力的分配，具有制動能量回收效率高的優(yōu)點。但需要專門的制動力控制系統(tǒng)來完成，對控制水平要求較高，制造安裝工藝較復(fù)雜，成本較高。文獻(xiàn)[17]提出了一種基于制動強度控制的制動能量回收最優(yōu)控制策略。采用理論分析與仿真分析相結(jié)合的方法，制定包含制動力分配和最優(yōu)制動強度控制的再生制動能量回收最優(yōu)控制策略。仿真結(jié)果表明，制定的控制策略能較好地回收制動能量。

3.2.4 基于ECE法規(guī)、I線和f線的制動力分配策略

相比理想制動力分配策略和最優(yōu)能量回收控制策略，基于ECE法規(guī)、I線和f線的制動力分配策略降低了控制要求[18]，較易現(xiàn)實，并且具有較高的制動能量回收效率。文獻(xiàn)[19]提出了基于ECE法規(guī)、I線和f線的制動力分配策略，并與理想制動力分配策略作比較，仿真模擬驗證了所提出的控制策略能更好地提高制動回收效率，但其忽略了電池的安全性問題和路面附著系數(shù)的影響。文獻(xiàn)[20]針對以往學(xué)者們研究僅局限于平直行駛工況的不足，考慮到斜坡對制動能量回收和制動穩(wěn)定性的影響，在重現(xiàn)定義制動強度的基礎(chǔ)上，建立了新的基于ECE法規(guī)、I線和f線的制動力分配策略，仿真驗證了提出控制策略的有效性。

在考慮路面條件的基礎(chǔ)上，文獻(xiàn)[21]考慮到電池SOC值、溫度等對電機最大再生制動力的影響，提出ECE法規(guī)線和f線相交和不相交的前后軸制動力分配策略，保證了制動的安全性，更進(jìn)一步地提高了再生制動回收的效果，但是未提到如何識別地面附著力的大小。

3.2.5 基于模型預(yù)測控制的制動力分配策略

基于模型預(yù)測控制的制動力分配策略是指利用模型預(yù)測理論作為處理再生制動過程中優(yōu)化問題多目標(biāo)多約束的有效方法，用于設(shè)計整體制動力矩優(yōu)化控制器。文獻(xiàn)[22]提出了再生制動系統(tǒng)的非線性模型預(yù)測控制器，通過分配前、后制動力矩來提高再生能量。但是未提及電機制動和液壓制動之間的扭矩分配，嚴(yán)重限制了能量回收的潛在可能性。文獻(xiàn)[23]針對四輪驅(qū)動電動汽車，通過制動踏板的狀態(tài)得到制動需求力矩，考慮電池的充電效率和SOC，基于模型預(yù)測控制理論制定了前后輪電機和摩擦力矩的制動力分配策略。

基于模型預(yù)測控制策略具有制動能量回收效率高，處理多目標(biāo)、多約束的非線性優(yōu)化問題的優(yōu)點[24]，但由于其計算的復(fù)雜性，并沒有在實際中得到應(yīng)用。

3.2.6 基于智能算法的再生制動力分配策略

基于智能算法的制動力分配策略是指利用某種智能算法處理再生制動的多目標(biāo)、多約束的非線性問題，將制動協(xié)調(diào)控制轉(zhuǎn)化為電機和摩擦制動力矩分配問題。根據(jù)智能算法的不同，可分為基于模糊控制的復(fù)合制動力分配策略、基于神經(jīng)網(wǎng)絡(luò)控制的復(fù)合制動力分配策略、基于遺傳算法的制動力分配策略、基于粒子群優(yōu)化算法的制動力分配策略。

（1）基于模糊控制的復(fù)合制動力分配策略

該策略是指根據(jù)車輛行駛狀態(tài)和專家經(jīng)驗，通過模糊控制器來確定電機制動力或者電機制動力矩的大小，然后結(jié)合制定的前后軸制動力分配策略，得到前后軸摩擦制動力和再生制動力的大小，從而實現(xiàn)制動力的分配。

根據(jù)前后軸制動力的分配方式不同，分為基于理想前后制動力分配的模糊控制策略、基于前后軸固定比例制動力分配的模糊控制策略、基于最優(yōu)能量回收的模糊控制策略。

基于理想前后制動力分配的模糊控制策略是指在前后軸理想制動力的分配基礎(chǔ)上，考慮多個再生制動影響因素，結(jié)合模糊控制器對電機制動力或者電機制動力矩進(jìn)行精確控制，從而達(dá)到制動力分配的效果。文獻(xiàn)[25]在理想制動力分配前后軸制動力的基礎(chǔ)上，考慮到SOC值、車速、所需總制動力因素，制定了以再生制動力占總制動力比例為輸出的模糊控制策略，更好的對制動力進(jìn)行了分配，提高了制動回收效率。

基于前后軸固定比例制動力分配的模糊控制策略是指基于前后軸按照固定比例分配的原則，結(jié)合模糊控制器對再生制動力和機械摩擦制動力進(jìn)行分配。文獻(xiàn)[26]以輪轂電機驅(qū)動的電動汽車為研究對象，采用前后輪制動力按固定比例分配，設(shè)計了以制動踏板位移量和電池SOC值為輸入，電機制動力占總制動力的比例為輸出的模糊控制器，采用模糊控制器根據(jù)行駛狀態(tài)更加準(zhǔn)確地控制制動力的分配。文獻(xiàn)[27]為保證制動安全和穩(wěn)定性，前后軸制動力分配采用固定比例分配策略，然后考慮到電池SOC、車速和制動需求，制定了以再生制動力占總制動力的比例為輸出的模糊控制策略，更進(jìn)一步提高了制動系統(tǒng)控制精度，提高了制動回收效率。

為了更進(jìn)一步提高模糊控制器的精度，文獻(xiàn)[28]在提出前后軸固定比例再生制動力控制策略的基礎(chǔ)上，結(jié)合PID算法和模糊控制理論，提出了PID模糊控制算法，進(jìn)一步提高了控制精度，提高了制動回收效率。文獻(xiàn)[29]運用粒子群優(yōu)化算法進(jìn)一步對模糊控制規(guī)則進(jìn)行優(yōu)化，進(jìn)一步提高了能量回收效率。

基于最優(yōu)能量回收的模糊控制策略是指基于最優(yōu)能量回收的制動力分配原則，結(jié)合模糊控制器對再生制動力和機械摩擦制動力進(jìn)行分配。文獻(xiàn)[30]設(shè)計了以制動踏板位置、SOC值和車速為輸入，電機制動力矩比例為輸出的模糊控制器，更加精準(zhǔn)的對制動力進(jìn)行了分配，降低了控制的成本。

（2）基于神經(jīng)網(wǎng)絡(luò)控制的制動力復(fù)合分配策略

該策略是指在制動力分配的基礎(chǔ)上，結(jié)合神經(jīng)網(wǎng)絡(luò)算法對再生制動力矩進(jìn)行控制，從而提高制動能量回收效率。文獻(xiàn)[31]提出基于規(guī)則的制動模式切換策略，并在此基礎(chǔ)上針對發(fā)動機-電機協(xié)調(diào)制動模式和雙電機制動模式，提出基于神經(jīng)網(wǎng)絡(luò)算法的制動轉(zhuǎn)矩控制策略，從而使這2種工作效率達(dá)到最佳，進(jìn)一步提高制動能量回收效率。

神經(jīng)網(wǎng)絡(luò)算法控制的制動力分配策略具有分類的準(zhǔn)確度高、并行分布處理能力強、分布存儲和學(xué)習(xí)能力強、魯棒性較強的優(yōu)點，但神經(jīng)網(wǎng)絡(luò)需要大量的參數(shù)，不能進(jìn)行觀察之間的學(xué)習(xí)過程，輸出結(jié)果難以解釋，會影響到結(jié)果的可信度，學(xué)習(xí)時間過長，甚至可能達(dá)不到學(xué)習(xí)的目的[32]。

（3）基于遺傳算法的制動力分配策略

該策略是指利用遺傳算法理論，將制動協(xié)調(diào)控制轉(zhuǎn)化為利用遺傳算法求解電機和液壓摩擦制動力矩的全局最優(yōu)分配問題，從而提高再生制動的能量回收效率。文獻(xiàn)[33]把電液制動的協(xié)調(diào)控制的問題轉(zhuǎn)化為液壓力矩和再生制動力矩的全局分配問題。在不同的制動工況下，以制動能量回收效率和制動穩(wěn)定性為優(yōu)化目標(biāo)，采用遺傳算法（Genetic Algorithm，GA）得到最優(yōu)分配系數(shù)，并將駕駛員的制動意愿融入權(quán)重系數(shù)中，實現(xiàn)動態(tài)分布。遺傳算法的算法具有過程簡單、可并行處理，并能得到全局最優(yōu)解和收斂速度快的優(yōu)點。但遺傳算法的編程實現(xiàn)比較復(fù)雜，首先需要對問題進(jìn)行編碼，找到最優(yōu)解之后還需要對問題進(jìn)行解碼，并且要得要較精確的解需要較多的訓(xùn)練時間[34]。

（4）基于粒子群優(yōu)化算法的制動力分配策略

基于粒子群優(yōu)化算法的制動力分配策略是指利用粒子群算法理論，對再生制動過程中制動力進(jìn)行最優(yōu)分配，具有較高的制動能量回收效率。文獻(xiàn)[35]綜合考慮制動感覺、制動能量回收和制動穩(wěn)定性，采用粒子群優(yōu)化算法優(yōu)化得到電液制動力矩的分配比例；在優(yōu)化制動力分配比的基礎(chǔ)上，針對液壓制動和電機制動響應(yīng)不同引起制動感不佳的問題，進(jìn)一步設(shè)計了一種針對液壓制動滯后的電機補償策略，以保證駕駛員獲得一致的制動感。

粒子群算法具有所需的代碼和參數(shù)較少，受所求問題維數(shù)的影響較小的優(yōu)點，但其數(shù)學(xué)基礎(chǔ)相對較為薄弱，目前還缺乏深刻且具有普遍意義的理論分析，在對收斂性分析方面研究還需進(jìn)一步將確定性向隨機性轉(zhuǎn)化。

綜上所述，基于智能算法的制動力分配策略能夠很好的處理制動過程中制動力分配的非線性問題，但其基于智能算法理論優(yōu)化得到的控制策略各有千秋，如表1所示，取其之長，補己之短，算法之間結(jié)合共同優(yōu)化制動力分配策略，效果更加理想。

表1 智能控制策略算法優(yōu)缺點對比分析

4 制動動態(tài)協(xié)調(diào)控制策略

制動動態(tài)協(xié)調(diào)控制策略是指針對多個制動系統(tǒng)動態(tài)響應(yīng)速度的不同引起的制動波動，通過多個制動系統(tǒng)協(xié)調(diào)控制，從而在制動時盡可能的消除制動波動，保證制動過程的平順性和舒適性。國內(nèi)許多學(xué)者對制動動態(tài)協(xié)調(diào)控制策略進(jìn)行了研究，文獻(xiàn)[36]針對再生制動力和EHB制動力協(xié)調(diào)控制問題，在保證制動穩(wěn)定性和安全性的基礎(chǔ)上，采用混雜理論來分析和協(xié)調(diào)再生制動系統(tǒng)和電控液壓制動系統(tǒng)。

文獻(xiàn)[37]提出了基于制動力分配修正和電機力補償?shù)膮f(xié)調(diào)控制策略。制動力分配修正是為了在制動強度較大時，電機提供最大制動力，沒有補償能力，此時為了加快液壓制動系統(tǒng)響應(yīng)速度，給予液壓制動系統(tǒng)更高的指令，但是當(dāng)電機沒有補償能力時，給予液壓制動系統(tǒng)指令的加強程度難以把握，可能會造成超調(diào)的情況，需進(jìn)一步深入研究。文獻(xiàn)[38]針對電機飽和狀態(tài)沒有補償能力的問題，提出了電機力修正策略，即通過提前調(diào)整電機狀態(tài)，從而使電機保持一定的補償能力。除此之外，制定了雙閉環(huán)反饋策略，實時通過電機來補償制動誤差，大幅減小制動力切換時的沖擊度，提高車輛制動舒適性，但對電機和電池短時間內(nèi)的充電能力要求都比較高，需對電機電池的充放電特性進(jìn)行分析。文獻(xiàn)[39]提出給予液壓制動系統(tǒng)更大的開啟命令，從而縮短開啟延遲時間，加快響應(yīng)速度，但是液壓制動系統(tǒng)的啟動時間需要精確，且策略結(jié)果實用性差，不同的制動系統(tǒng)或者相同的制動系統(tǒng)使用的磨損程度不同都會導(dǎo)致制動系統(tǒng)啟動和響應(yīng)時間的不同，需要一一準(zhǔn)確測量，工作量大且測量出的準(zhǔn)確度有待檢驗。

電機制動力由于受到電機轉(zhuǎn)速，溫度、變速器檔位、離合器結(jié)合與否、電池SOC值因素的影響，是一個不確定的值。因此，文獻(xiàn)[40]提出了氣壓補償控制算法，來動態(tài)協(xié)調(diào)驅(qū)動軸上的電機制動力和氣壓制動力，從而實現(xiàn)客車在制動模式切換時的平穩(wěn)過渡，提高了制動平順性。文獻(xiàn)[41]制定了液壓制動力補償協(xié)調(diào)控制策略，實現(xiàn)2個制動源的相互協(xié)調(diào)工作，以模式切換過程中機械制動系統(tǒng)和電機制動系統(tǒng)的力矩之和滿足駕駛員的需求為目標(biāo)，利用前饋－反饋控制，減小車輛減速度的變化率，保證了車輛制動時的平順性，但沒能考慮到液壓制動系統(tǒng)本身響應(yīng)慢的缺點。文獻(xiàn)[42]提出了當(dāng)液壓制動介入時的電機補償策略和當(dāng)電機撤銷時液壓補償策略，保證了制動時的平順性，但在電機撤銷時的液壓制動補償協(xié)調(diào)控制階段，由于液壓制動系統(tǒng)具有一定的滯后性，需提前開啟液壓制動系統(tǒng)，但提前開啟的時機難以把握。

國外學(xué)者針對制動協(xié)調(diào)控制策略進(jìn)行了研究，文獻(xiàn)[43]提出前饋控制方法、反饋控制方法以及雙閉環(huán)控制方法，來調(diào)節(jié)制動過程中液壓以及電機轉(zhuǎn)矩，從而兼顧制動能量回收和制動平順性。文獻(xiàn)[44]借鑒硬盤驅(qū)動控制方法，對液壓系統(tǒng)和電機系統(tǒng)的響應(yīng)特性進(jìn)行校正，使2者響應(yīng)特性盡可能一致。文獻(xiàn)[45]根據(jù)電機液壓響應(yīng)特性，使用濾波算法，將需求制動力矩劃分為高頻和低頻部分，高頻部分由電機提供，低頻部分由液壓系統(tǒng)提供。

5 結(jié)論

縱覽再生制動能量回收技術(shù)多年的研究發(fā)展，從制動意圖識別、制動力分配策略和制動動態(tài)協(xié)調(diào)控制策略3方面進(jìn)行總結(jié)分析。

（1）駕駛員制動意圖識別方面主要集中在對駕駛員神經(jīng)生理和制動踏板的研究，比較針對制動踏板的制動意圖識別的研究，駕駛員神經(jīng)生理的研究需要對腦信號進(jìn)行精確提取，過程復(fù)雜且成本高。

（2）對于制動力分配控制策略，相比較傳統(tǒng)的基于規(guī)則的制動力分配策略，基于智能算法制動力分配控制策略可以同時兼顧制動能量回收效率、制動穩(wěn)定性和制動感覺的目標(biāo)，對需求制動力進(jìn)行良好分配，是當(dāng)下研究的熱點。

（3）針對復(fù)合制動系統(tǒng)動態(tài)協(xié)調(diào)控制的研究，使校正液壓和電機系統(tǒng)有相同的響應(yīng)速度，該策略導(dǎo)致整體的響應(yīng)速度較慢，制動感覺明顯滯后；采用濾波算法，液壓提供低頻部分，電機提供高頻部分，能很好的減小波動，但該策略在某些過渡工況下的控制效果并不理想；采用液壓制動系統(tǒng)補償電機系統(tǒng)，該策略因為液壓制動系統(tǒng)本身的滯后性，減少制動波動的效果不理想；通過給予液壓制動系統(tǒng)更強的輸入液壓信號來加快液壓制動系統(tǒng)的響應(yīng)速度的方法，在很大程度上減小了制動模式切換時的制動波動，但是信號加強的時機和程度較難把握。

未來，隨著智能化技術(shù)的發(fā)展，同時兼顧制動能量回收效率、制動穩(wěn)定性和制動感覺的多目標(biāo)優(yōu)化智能算法將加速再生制動能量回收技術(shù)的發(fā)展，基于智能交通的多車協(xié)同再生制動控制的研究也將成為重點的研究課題。